Cas client : structurer les usages IA dans un réseau de santé multi-sites (MINLAY)

Chez MINLAY, les équipes pilotent des dizaines de laboratoires partout en France. Les métiers sont nombreux, les contraintes terrain varient d’un service à l’autre, et les besoins opérationnels ne se résument pas à un seul cas d’usage.

L’enjeu était clair : aider les équipes à structurer des usages concrets de l’intelligence artificielle, adaptés à leurs métiers, à leurs documents et à leurs process existants.

Au départ, la demande venait de l’équipe marketing. Très vite, le besoin s’est élargi à d’autres fonctions du siège : support, administratif, ressources humaines, comptabilité. L’accompagnement mené par Time2AI a donc été pensé pour embarquer progressivement plusieurs équipes, avec une méthode simple : partir du réel, identifier les tâches chronophages, puis construire des usages IA directement applicables.

Identifier les tâches chronophages avant de parler outils

La première étape a consisté à réaliser un audit complet des usages et des besoins. L’objectif n’était pas de présenter l’IA de manière théorique, mais de comprendre précisément où elle pouvait faire gagner du temps.

Pour cela, Time2AI a mis en place des questionnaires ciblés afin de capter les besoins individuels, de cartographier les process et d’identifier les tâches répétitives ou complexes. Des échanges réguliers avec les équipes ont permis d’affiner la préparation et de construire un accompagnement aligné avec les réalités de chaque métier.

Cette phase est essentielle. Une formation IA efficace ne commence pas par les outils, mais par les usages.

Rendre l’IA concrète et compréhensible

La deuxième étape a pris la forme de sessions plénières. Leur rôle : donner un socle commun aux équipes et rendre l’IA immédiatement compréhensible.

Les participants ont abordé les grands principes du Machine Learning, du Deep Learning et des modèles de langage, sans entrer dans une complexité inutile. Ils ont ensuite travaillé sur le prompting : structure d’un bon prompt, raisonnement attendu, bonnes pratiques et astuces concrètes.

Un tour d’horizon des principaux outils, comme ChatGPT, Claude, Gemini ou Gamma, a permis de relier chaque solution à des usages métier précis. Les démonstrations ont notamment porté sur l’automatisation de reportings, la création de supports visuels ou encore la standardisation de certains process internes.

Travailler sur les vrais fichiers des équipes

La troisième étape a été consacrée à des ateliers très pratiques. Chaque participant a travaillé sur ses propres fichiers, dans ses conditions réelles, avec ses contraintes métier.

C’est dans ce format que l’adoption se joue le plus concrètement. Les équipes ne testent pas l’IA sur des exemples génériques : elles l’appliquent à leurs documents, leurs tâches et leurs problématiques quotidiennes.

Certaines équipes sont allées plus loin en construisant leurs propres agents d’automatisation à partir de leurs besoins métier. L’objectif était de prendre le temps de tester, comprendre, ajuster, puis aller jusqu’au déploiement opérationnel.

L’expérience menée avec MINLAY illustre une conviction forte de Time2AI : l’IA crée de la valeur lorsqu’elle s’ancre dans les usages réels de chaque métier. C’est cette approche terrain qui permet de passer de la découverte à l’adoption durable.

‍